CN113153635A - 用于操作风力涡轮的系统和方法 - Google Patents

用于操作风力涡轮的系统和方法 Download PDF

Info

Publication number
CN113153635A
CN113153635A CN202110088622.4A CN202110088622A CN113153635A CN 113153635 A CN113153635 A CN 113153635A CN 202110088622 A CN202110088622 A CN 202110088622A CN 113153635 A CN113153635 A CN 113153635A
Authority
CN
China
Prior art keywords
controller
component
risk index
damage
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110088622.4A
Other languages
English (en)
Inventor
S·查克拉巴蒂
Y·辛
J·J·米霍克
W·H·苏伯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Renovables Espana SL
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN113153635A publication Critical patent/CN113153635A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0264—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for stopping; controlling in emergency situations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2240/00—Components
    • F05B2240/90—Mounting on supporting structures or systems
    • F05B2240/96—Mounting on supporting structures or systems as part of a wind turbine farm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2619—Wind turbines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)

Abstract

提供一种用于操作和维护风力涡轮的系统和方法。因此，接收多个数据输入。多个数据输入表示风力涡轮的构件的多个监测属性。使用多个监测属性来确定关于该构件的综合风险指数，且预测潜在风险指数范围。剩余使用寿命分布基于损坏潜势和寿命终止损坏阈值来确定。如果剩余使用寿命分布低于停机阈值，使风力涡轮停机或空转。

Description

用于操作风力涡轮的系统和方法
技术领域
本公开内容大体上涉及风力涡轮，且更特别地涉及用于基于潜在风险指数的预测范围来操作风力涡轮的系统和方法。
背景技术
风力被认为是目前可用的最清洁、最环境友好的能源中的一种，且风力涡轮在该方面获得了增加的关注。现代的风力涡轮典型地包括塔架、发电机、齿轮箱、机舱以及一个或多个转子叶片。机舱包括联接到齿轮箱和发电机的转子组件。转子组件和齿轮箱安装在位于机舱内的台板支承框架上。一个或多个转子叶片使用已知的翼型原理来获得风的动能。转子叶片传输呈旋转能形式的动能，以便转动轴，该轴将转子叶片联接到齿轮箱(或如果未使用齿轮箱，直接地联接到发电机)。发电机然后将机械能转换成电能，且电能可传输到容纳在塔架内的转换器和/或变压器，且随后部署至公用网。现代风力功率生成系统典型地采取具有多个此类风力涡轮发电机的风场的形式，风力涡轮发电机可操作成将功率供应到向电网提供功率的传输系统。
典型地，风力涡轮设计成在预定的或预期的使用寿命内以额定功率输出操作。例如，典型的风力涡轮可设计为20年寿命。在许多实例中，可基于一个或多个风力涡轮构件的预期疲劳寿命来限制该预期的总体操作寿命。此外，构件的操作使用可导致构件的磨损速率与预期速率不同。因而，构件监测系统可用于检测风力涡轮的各个构件(诸如齿轮箱)内的异常。
典型地，将构件监测系统配置为在诊断模式中检测构件故障。因为构件故障随时可发生，维修动作和零件计划典型地基于先验知识和过去的现场观察，而不是基于可量化的预测。因此，风场操作者典型地将有两种选择来维护风力涡轮。操作者可在构件的预期使用寿命下或之前安排预防性维护。当由于构件的磨损而不能进行维修动作时，更换构件可导致成本显著增加。备选地，操作者可寻求延迟维护活动。这可导致构件的意外故障并导致风力涡轮停机。因为停机可为意外的，可由于更换零件的可用性使停机延长，或可有必要在库存中保持过大数量的零件。另外，构件的意外故障可导致风场处的维修动作效率低下，诸如地面起重机的多次造访，导致成本增加。
因此，本领域不断寻求使用预测方法来操作和维护风力涡轮的新的且改进的系统。因此，本公开内容涉及用于基于预测的剩余使用寿命分布来控制风力涡轮的系统和方法。
发明内容
本发明的方面和优点将在以下描述中部分地阐述，或可从描述中明显，或可通过实施本发明来获悉。
在一方面，本公开内容涉及一种用于操作风力涡轮的方法。该方法可包括利用控制器从至少一个源接收多个数据输入。多个数据输入可表示风力涡轮的构件的多个监测属性。该方法还可包括利用控制器使用多个监测属性来确定关于构件的综合风险指数。风险指数可限定与构件的标称行为的偏差。该方法还可包括利用控制器预测在所限定的多个构件周期内的从综合风险指数发展(progress)的潜在风险指数范围。潜在风险指数范围可与历史机组涡轮数据集相关，且限定在上置信区间与下置信区间之间。每个潜在风险指数可与损坏潜势相关。该方法另外可包括利用控制器基于损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布。此外，该方法可包括如果剩余使用寿命分布低于停机阈值，使风力涡轮停机或空转。
在实施例中，接收多个数据输入还可包括利用控制器从至少一个传感器接收多个时间序列数据输入，该至少一个传感器配置成监测操作中的构件。
在额外的实施例中，确定关于构件的综合风险指数可包括利用控制器向下选择多个时间序列数据输入以建立多个监测属性。该方法还可包括利用控制器将上常态界限和下常态界限应用到多个监测属性中的每个。上常态界限和下常态界限可限定与基线健康分量一致的数据输入范围。上常态界限和下常态界限可基于历史机组涡轮数据集。该方法还可包括利用控制器检测所监测属性中的至少一个与由常态界限所限定的范围的偏差。另外，该方法可包括利用控制器限定关于多个监测属性中的每个的平方预测误差。平方预测误差可反映相应监测属性与受关注的常态界限的偏差量。此外，该方法可包括利用控制器对关于多个监测属性中的每个的平方预测误差求和，以便计算关于该构件的综合风险指数。非零值可指示构件常态界限外的操作。
在额外的实施例中，该方法还可包括限定风险阈值，其中限定风险指数阈值使早期故障检测与错误警报的可能性平衡。该方法还可包括：在预测潜在风险指数范围之前，检测该风险指数阈值由关于该构件的综合风险指数所越过。
在实施例中，预测潜在风险指数范围可包括在所限定的多个构件周期内为多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集。该方法可包括利用控制器确定在所限定的多个构件周期内的平均机组风险指数。另外，该方法可包括利用控制器确定关于多个风力涡轮中的每个的历史风险指数数据集相对于平均机组风险指数的协方差。该方法可包括利用控制器对关于构件的潜在风险指数范围建模，诸如经由卡洛南-洛伊展开(Karhunen Loeve Expansion)。该方法还可包括利用控制器确定关于构件的最佳拟合风险指数级数，诸如经由马尔可夫链蒙特卡洛(Markov Chain Monte Carlo)采样。另外，该方法可包括利用控制器确定该预测的95%置信带。
在实施例中，当关于多个风力涡轮中的每个的风险指数越过预定阈值时，可将所限定的多个构件周期设置成零。
在实施例中，该方法还可包括利用控制器经由损坏与风险指数的相关性将潜在风险指数范围转换为损坏潜势。可通过对历史机组涡轮故障数据集执行回归来确定损坏与风险指数的相关性。历史机组涡轮故障数据集可描绘由检查给定的损坏值以及在检查时关于该构件的所记录的风险指数。
在额外的实施例中，确定剩余使用寿命分布还可包括基于其中构件的灾难性故障或对风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立寿命终止损坏阈值。该方法可包括利用控制器确定对达到关于采样的每个样本的寿命终止损坏阈值所需要的预测周期数。该方法还可包括利用控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。上置信区间和下置信区间可限定95%的置信带。
在实施例中，该方法还可包括利用控制器基于关于风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值。该方法可包括利用控制器经由比率来预测剩余使用寿命相对于时间的分布。
在此外的实施例中，该方法还可包括利用控制器生成输出表。输出表可指示在多个时间区间中的每个内的构件故障的概率。
在实施例中，该方法可包括执行构件的检查，以及给定与构件的观察到的损坏程度对应的损坏等级。该方法可包括向控制器提供损坏等级。另外，该方法可包括利用控制器确定损坏等级与基于风险指数的所预测的损坏水平之间的差异。该方法还可包括利用控制器改进用于预测相对于所限定的多个构件周期的潜在风险指数范围的模型。改进可基于分级的观察到的损坏程度与基于风险指数的所预测的损坏潜势之间所确定的差异。
在又一实施例中，控制器可为场控制器，且风力涡轮可为风场的多个风力涡轮中的一个。
在实施例中，该方法可包括利用场控制器基于在指定的时间区间内的剩余使用寿命分布来对关于风力涡轮中的每个的维护活动分组。另外，该方法可包括利用场控制器生成关于风场的维护计划。可计算维护计划以最大限度地增加在维护操作期间执行的维护，同时最大限度地减少过早的维护操作。
在额外的实施例中，该方法可包括利用场控制器将功率生成需求的至少一部分从风力涡轮重新分配给风力涡轮的风场的至少一个其它的风力涡轮。该方法还可包括使关于风力涡轮的空转时段与有功功率产生时段交替，以便减少每单位时间的构件周期数。减少每单位时间的构件周期数可延迟向停机阈值的接近。延迟向停机阈值的接近可便于对关于风力涡轮中的每个的修理活动分组。
在另一方面，本公开内容涉及一种用于操作和维护风力涡轮的系统。该系统可包括传感器，该传感器可操作地联接到风力涡轮的构件以便检测该构件的属性。该系统还可包括通信地联接到传感器的控制器。控制器可包括配置成执行多个操作的至少一个处理器。多个操作可包括从传感器接收多个数据输入。多个数据输入表示构件的多个监测属性。多个操作还可包括经由风险指数模块，使用多个监测属性来确定关于构件的风险指数。风险指数可限定与构件的标称行为的偏差。多个操作还可包括：经由预测模块，预测在所限定的多个构件周期内的从综合风险指数发展的潜在风险指数范围。潜在风险指数范围可与历史机组涡轮数据集相关，且限定在上置信区间与下置信区间之间。每个潜在风险指数可与损坏潜势相关。多个操作可包括基于损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布。多个操作还可包括如果剩余使用寿命分布低于停机阈值，使风力涡轮停机或空转。
技术方案1. 一种用于操作风力涡轮的方法，所述方法包括：
利用控制器从至少一个源接收多个数据输入，所述多个数据输入表示所述风力涡轮的构件的多个监测属性；
利用所述控制器使用所述多个监测属性来确定关于所述构件的综合风险指数，所述风险指数限定与所述构件的标称行为的偏差；
利用所述控制器预测在所限定的多个构件周期内的从所述综合风险指数发展的潜在风险指数范围，其中每个潜在风险指数与损坏潜势相关；
利用所述控制器基于所述损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布；以及
如果所述剩余使用寿命分布低于停机阈值，使所述风力涡轮停机或空转。
技术方案2. 根据技术方案1所述的方法，其中接收所述多个数据输入还包括：
利用所述控制器从至少一个传感器接收多个时间序列数据输入，所述至少一个传感器配置成在操作期间监测所述构件。
技术方案3. 根据技术方案2所述的方法，其中确定关于所述构件的综合风险指数还包括：
利用所述控制器向下选择所述多个时间序列数据输入以建立所述多个监测属性；
利用所述控制器将上常态界限和下常态界限应用于所述多个监测属性中的每个，所述上常态界限和所述下常态界限限定与健康构件的基线一致的数据输入范围，所述上常态界限和所述下常态界限基于历史机组涡轮数据集；
利用所述控制器检测所述监测属性中的至少一个与由所述常态界限所限定的范围的偏差；
利用所述控制器限定关于所述多个监测属性中的每个的预测误差，其中所述预测误差反映相应监测属性与相应常态界限的偏差量；
利用所述控制器对关于所述多个监测属性中的每个的预测误差进行平方；以及
利用所述控制器对关于所述多个监测属性中的每个的平方预测误差求和，以便计算关于所述构件的综合风险指数，其中非零值指示在关于所述构件的常态界限外的操作。
技术方案4. 根据技术方案3所述的方法，其中所述方法还包括：
限定风险指数阈值，其中限定所述风险指数阈值使早期故障检测与错误警报的可能性平衡；以及
在预测所述潜在风险指数范围之前，检测所述风险指数阈值由关于所述构件的综合风险指数所越过。
技术方案5. 根据技术方案1所述的方法，其中预测所述潜在风险指数范围还包括：
在所限定的多个构件周期内为多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集；
利用所述控制器确定在所述限定的多个构件周期内的平均机组风险指数；
利用所述控制器确定关于所述多个风力涡轮中的每个的历史风险指数数据集相对于所述平均机组风险指数的协方差；
利用所述控制器对关于所述构件的潜在风险指数范围建模；
利用所述控制器确定关于所述构件的最佳拟合风险指数级数；以及
利用所述控制器确定关于所述潜在风险指数范围的置信带。
技术方案6. 根据技术方案5所述的方法，其中当关于所述多个风力涡轮中的每个的风险指数越过预定阈值时，将所述限定的多个构件周期设置成零。
技术方案7. 根据技术方案1所述的方法，其中所述方法还包括：
利用所述控制器经由损坏与风险指数的相关性将所述潜在风险指数范围转换为所述损坏潜势，其中所述损坏与风险指数的相关性通过对历史机组涡轮故障数据集执行回归来确定，其中所述历史机组涡轮故障数据集描绘由检查给定的损坏值以及在检查时关于所述构件的所记录的风险指数。
技术方案8. 根据技术方案1所述的方法，其中确定所述剩余使用寿命分布还包括：
基于其中所述构件的故障或对所述风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立所述寿命终止损坏阈值；
利用所述控制器确定对达到关于采样的每个样本的所述寿命终止损坏阈值所需要的预测周期数；以及
利用所述控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。
技术方案9. 根据技术方案1所述的方法，其中所述方法还包括：
利用所述控制器基于关于所述风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值；以及
利用所述控制器经由比率来预测所述剩余使用寿命相对于时间的分布。
技术方案10. 根据技术方案9所述的方法，其中所述方法还包括：
利用所述控制器生成输出表，所述输出表指示在多个时间区间中的每个内的构件故障的概率。
技术方案11. 根据技术方案1所述的方法，其中所述方法还包括：
执行所述构件的检查；
给定与所述构件的观察到的损坏程度对应的损坏等级；
向所述控制器提供所述损坏等级；
利用所述控制器确定所述损坏等级与基于所述风险指数的所预测的损坏水平之间的差异；以及
利用所述控制器改进用于预测相对于所述限定的多个构件周期的潜在风险指数范围的模型，其中所述改进基于分级的观察到的损坏程度与基于所述风险指数的所预测的损坏潜势之间所确定的差异。
技术方案12. 根据技术方案1所述的方法，其中所述控制器是场控制器，且所述风力涡轮是风场的多个风力涡轮中的一个。
技术方案13. 根据技术方案12所述的方法，其中所述方法还包括：
利用所述场控制器基于在指定的时间区间内的关于所述多个风力涡轮中的每个的剩余使用寿命分布来对关于所述风力涡轮中的每个的维护活动分组；以及
利用所述场控制器生成关于所述风场的维护计划。
技术方案14. 根据技术方案13所述的方法，其中所述方法还包括：
利用所述场控制器将功率生成需求的至少一部分从所述风力涡轮重新分配给所述风场的至少一个其它的风力涡轮；以及
使关于所述风力涡轮的空转时段与有功功率生成时段交替，以便减少每单位时间的构件周期数，其中减少每单位时间的构件周期数延迟向所述停机阈值的接近，以便于对关于所述风力涡轮中的每个的修理活动分组。
技术方案15. 一种用于操作风力涡轮的系统，包括：
至少一个传感器，所述至少一个传感器可操作地联接到所述风力涡轮的构件以便检测所述构件的属性；以及
控制器，所述控制器通信地联接到所述至少一个传感器，所述控制器包括至少一个处理器，所述至少一个处理器配置成执行多个操作，所述多个操作包括：
从所述至少一个传感器接收多个数据输入，所述多个数据输入表示所述构件的多个监测属性，
经由风险指数模块使用所述多个监测属性来确定关于所述构件的综合风险指数，所述风险指数限定与所述构件的标称行为的偏差，
经由预测模块预测在所限定的多个构件周期内的从所述综合风险指数发展的潜在风险指数范围，其中每个潜在风险指数与损坏潜势相关，
基于所述损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布，以及
如果所述剩余使用寿命分布低于停机阈值，使所述风力涡轮停机或空转。
技术方案16. 根据技术方案15所述的系统，其中经由所述风险指数模块来确定关于所述构件的综合风险指数还包括：
经由滤波模块向下选择多个时间序列数据输入以建立所述多个监测属性；
经由所述滤波模块将上常态界限和下常态界限应用于所述多个监测属性中的每个，所述上常态界限和所述下常态界限限定与健康构件的基线一致的数据输入范围，所述上常态界限和所述下常态界限基于历史机组涡轮数据集；
经由所述风险指数模块检测所述监测属性中的至少一个与由所述常态界限所限定的范围的偏差；
经由所述风险指数模块限定关于所述多个监测属性中的每个的预测误差，其中所述预测误差反映相应监测属性与相应常态界限的偏差量；
经由所述风险指数模块对所述多个监测属性中的每个的预测误差进行平方；以及
经由所述风险指数模块对关于所述多个监测属性中的每个的平方预测误差求和，以便计算关于所述构件的综合风险指数，其中非零值指示在关于所述构件的常态界限外的操作。
技术方案17. 根据技术方案15所述的系统，其中经由所述预测模块预测所述潜在风险指数范围还包括：
在所限定的多个构件周期内为所述多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集，其中当关于所述多个风力涡轮中的每个的风险指数越过预定阈值时，将所述限定的多个构件周期设置成零；
确定在所述限定的多个构件周期内的平均机组风险指数；
确定关于所述多个风力涡轮中的每个的历史风险指数数据集相对于所述平均机组风险指数的协方差；
对关于所述构件的潜在风险指数范围建模；
确定关于所述构件的最佳拟合风险指数级数；以及
确定关于所述潜在风险指数范围的置信带。
技术方案18. 根据技术方案15所述的系统，其中所述多个操作还包括：
经由损坏与风险指数的相关性将所述潜在风险指数范围转换为所述损坏潜势，其中所述损坏与风险指数的相关性通过对历史机组涡轮故障数据集执行回归来确定，其中所述历史机组涡轮故障数据集描绘由检查给定的损坏值以及在检查时关于所述构件的所记录的风险指数。
技术方案19. 根据技术方案15所述的系统，其中确定所述剩余使用寿命分布还包括：
基于其中所述构件的故障或对所述风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立所述寿命终止损坏阈值；
确定对达到关于采样的每个样本的所述寿命终止损坏阈值所需要的预测周期数；以及
利用所述控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。
技术方案20. 根据技术方案19所述的系统，其中所述多个操作还包括：
基于关于所述风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值；
经由比率来预测所述剩余使用寿命相对于时间的分布；以及
生成输出表，所述输出表指示在多个时间区间中的每个内的构件故障的概率。
参照以下描述和所附权利要求书，本发明的这些及其它特征、方面和优点将变得更好理解。结合于该说明书中且构成该说明书的一部分的附图示出本发明的实施例，且与描述一起用来解释本发明的原理。
附图说明
针对本领域普通技术人员的本发明的完整且开放(enabling)的公开内容(包括其最佳模式)在参照附图的说明书中阐述，在附图中：
图1示出根据本公开内容的风力涡轮的一个实施例的透视图；
图2示出根据本公开内容的风力涡轮的机舱的一个实施例的内部透视图；
图3示出根据本公开内容的具有多个风力涡轮的风场的一个实施例的示意图；
图4示出根据本公开内容的控制器的一个实施例的示意图；
图5示出根据本公开内容的用于操作和维护风力涡轮的系统的控制逻辑的一个实施例的示意图；
图6示出根据本公开内容的用于操作和维护风场的系统的控制逻辑的另一实施例的示意图；
图7示出图5的控制逻辑的一部分的图形表示，特别地示出根据本公开内容的确定关于构件的综合风险指数的系统；
图8示出根据本公开内容的所预测的潜在风险指数范围的图形表示；
图9示出根据本公开内容的在更换时的构件损坏和构件风险指数的相关性的图形表示；以及
图10示出根据本公开内容的剩余使用寿命分布的图形表示。
本说明书和图中参考符号的重复使用意在表示本发明的相同或相似的特征或元件。
具体实施方式
现在将详细地参照本发明的实施例，其一个或多个示例在图中示出。每个示例提供作为本发明的解释，不是本发明的限制。事实上，对本领域技术人员将明显的是，在不脱离本发明的范围或精神的情况下，可在本发明中进行各种修改和变型。例如，示出或描述为一个实施例的部分的特征可与另一实施例使用，以产生还此外的实施例。因此，意图的是，本发明覆盖如归于所附权利要求书和其等同物的范围内的此类修改和变型。
如本文中使用的，用语“第一”、“第二”和“第三”可以可互换地使用以将一个构件与另一个区别，且不意在表示各个构件的位置或重要性。
除非本文中以其它方式指定，用语“联接”、“附接到”等表示直接联接、固定或附接以及通过一个或多个中间构件或特征来间接联接或附接。
如本文中在说明书和权利要求书各处使用的，近似语言适用于修饰在不引起它所涉及的基本功能上的改变的情况下可允许变化的任何量化表达。因此，由诸如“约”、“大约”和“大致”之类的一个或多个用语所修饰的值不限于所指定的精确值。在至少一些实例中，近似语言可对应于用于测量值的仪器的精度，或用于构造或制造构件和/或系统的方法或机器的精度。例如，近似语言可表示在百分之10的裕度内。
这里以及在说明书和权利要求书各处，除非上下文或语言以其它方式指示，范围限制被组合和互换，此类范围等同(identified)且包括其中包含的所有子范围。例如，本文中公开的所有范围包括端点，且端点可彼此独立地组合。
大体上，本公开内容涉及用于操作和维护风力涡轮的系统和方法。特别地，本公开内容可包括一旦检测到问题的第一征兆可预测构件的剩余使用寿命的系统和方法。特别地，本公开内容可包括接收指示构件的多个属性的传感器信息。在一些实例中，接收到的信息量可很大。该信息可滤波或向下选择以建立多个监测属性。当接收到指示至少一个监测属性已偏离常态界限的数据时，可组合每个监测属性的偏差以确定关于该构件的综合风险指数。风险指数可限定与构件的标称或预期行为的偏差。控制器可使用风险指数和历史机组涡轮数据集来预测未来构件周期内的潜在风险指数范围。基于历史数据，潜在风险指数范围可与损坏潜势范围相关。因而，可建立寿命终止损坏阈值，且可确定剩余使用寿命分布。剩余使用寿命分布可指示在构件周期或时间区间的各种累加内达到使用寿命终止损坏阈值的概率。
应了解的是，预测构件的剩余使用寿命可减少由于灾难性故障所导致的未计划的维护，灾难性故障可由构件的直接故障或其后果所引起。同时，剩余使用寿命分布可通过允许构件继续使用直至预测到构件故障来便于从构件取得最大使用寿命。这可排除具有较长剩余使用寿命的构件的过早替换。另外，具有预测的构件故障窗口可减少更换零件的库存需求，且还可减少在意外构件故障的情况下由于零件可用性所导致的潜在延迟。当扩展至风场水平时，对风场的每个风力涡轮的所预测的剩余使用寿命的了解可便于维护活动的综合计划。例如，如果可同时执行需要特定地面起重机的所有维护而不是计划地面起重机的多次造访，可节省大量成本。
现在参照图，图1示出根据本公开内容的风力涡轮100的一个实施例的透视图。如示出的，风力涡轮100大体上包括从支承表面104延伸的塔架102、安装在塔架102上的机舱106，以及联接到机舱106的转子108。转子108包括可旋转毂110以及联接到毂110且从毂110向外延伸的至少一个转子叶片112。例如，在示出的实施例中，转子108包括三个转子叶片112。然而，在备选实施例中，转子108可包括多于或少于三个转子叶片112。每个转子叶片112可围绕毂110间隔，以便于旋转转子108，以使动能能够从风转换成可用的机械能且随后转换成电能。例如，毂110可以可旋转地联接到定位在机舱106内的发电机118(图2)，以允许产生电能。
风力涡轮100还可包括集中在机舱106内的控制器200。然而，在其它实施例中，控制器200可位于风力涡轮100的任何其它构件内或位于风力涡轮外的位置处。此外，控制器200可通信地联接到风力涡轮100的任何数量的构件，以便控制构件。因而，控制器200可包括计算机或其它合适的处理单元。因此，在若干实施例中，控制器200可包括合适的计算机可读指令，该指令在实施时使控制器200配置成执行各种不同的功能，诸如，接收、传输和/或执行风力涡轮控制信号。
现在参照图2，示出图1中示出的风力涡轮100的机舱106的一个实施例的简化内部视图。如示出的，发电机118可联接到转子108，以用于从由转子108生成的旋转能产生电功率。例如，如所示出的实施例中示出的，转子108可包括转子轴122，该转子轴122联接到毂110以用于随其旋转。转子轴122可由主轴承144可旋转地支承。转子轴122继而可通过齿轮箱126可旋转地联接到发电机118的高速轴124，该齿轮箱126通过一个或多个转矩臂142连接到台板支承框架136。如大体上理解的，转子轴122可响应于转子叶片112和毂110的旋转来向齿轮箱126提供低速高转矩输入。齿轮箱126然后可配置成将低速高转矩输入转换成高速低转矩输出，以驱动高速轴124和因此发电机118。在实施例中，齿轮箱126可配置有多个齿轮比，以便对于给定的低速输入产生高速轴的变化的旋转速度，反之亦然。
每个转子叶片112还可包括桨距控制机构120，该桨距控制机构120配置成使每个转子叶片112围绕其变桨轴线116旋转。桨距控制机构120可包括桨距控制器150，桨距控制器150配置成从控制器200接收至少一个桨距设定点命令。类似地，风力涡轮100可包括通信地联接到控制器200的一个或多个偏航驱动机构138，其中每个偏航驱动机构138配置成改变机舱106相对于风的角度(例如，通过接合风力涡轮100的偏航轴承140)。
仍参照图2，一个或多个传感器156、158、160可设在风力涡轮100上，以监测风力涡轮100的性能和/或影响风力涡轮100的环境状况。例如，传感器158、160可为配置成监测风力涡轮100的构件的属性的构件监测系统的元件。在至少一个实施例中，该构件可为齿轮箱126，且一个或多个传感器158、160可定位成检测齿轮箱126的振动。传感器158、160可包括本领域普通技术人员已知的任何数量的传感器，诸如加速计、应变仪传感器、速度传感器、激光位移传感器和/或麦克风。构件监测系统可包括安装在待监测的构件上、之中或周围的各个位置的多个传感器158、160，其中每个传感器测量构件的单个属性。在备选实施例中，构件监测系统可使用减少数量的传感器，且可在宽频谱内检测属性，诸如振动。然后可对传感器158、160的输出进行滤波，以提取检测到的频谱的各个部分，这些部分可指示待监测的特定属性。结果，单个传感器158、160可将多个数据输入递送到控制器200。在至少一个实施例中，构件监测系统可向控制器200递送超过一百个传感器输入。还应了解的是，如本文中使用的，用语“监测”和其变型指示风力涡轮100的各种传感器可配置成提供所监测的参数的直接测量或此类参数的间接测量。因此，本文中描述的传感器可例如用来生成与所监测的参数相关的信号，该信号然后可由控制器200用来确定风力涡轮100的状况。
现在参照图3，示出根据本公开内容的系统和方法控制的风场152的一个实施例的示意图。如示出的，风场152可包括本文中描述的多个风力涡轮100和控制器200。例如，如所示出的实施例中示出的，风场152可包括十二个风力涡轮100。然而，在其它实施例中，风场152可包括任何其它数量的风力涡轮100，诸如少于十二个风力涡轮100或大于十二个风力涡轮100。在一个实施例中，涡轮100的控制器200可通过有线连接(诸如通过经由合适的通信链路154(例如，合适的线缆)连接控制器200)而通信地联接到场控制器202。备选地，控制器200可通过无线连接通信地联接到场控制器200，诸如通过使用本领域中已知的任何合适的无线通信协议。另外，对于风场152内的各个风力涡轮100中的每个，场控制器200大体上可与控制器200类似地配置。
在若干实施例中，风场152的风力涡轮100可包括一个或多个传感器，诸如传感器156、158、160中的任一个，以用于监测风力涡轮100的各种操作数据和/或风场152的一个或多个风参数。例如，如示出的，传感器可包括环境传感器156，其配置用于收集指示至少一种环境状况的数据。因此，在实施例中，环境传感器156可例如是风向标、风速计、激光雷达传感器、温度计、气压计或其它合适的传感器。由环境传感器156收集的数据可包括风速、风向、风切变、阵风、风转向、大气压和/或温度的量度。在至少一个实施例中，环境传感器156可在转子108的顺风位置处安装到机舱106。应了解的是，环境传感器156可包括传感器网络，且可远离涡轮100定位。应了解的是，环境状况在整个风场152中可有很大的变化。因此，环境传感器156可允许每个风力涡轮100处的局部环境状况，诸如局部风速，其由相应的涡轮机控制器200单独地监测且由场控制器200共同地监测。
现在参照图4-10，示出根据本公开内容的用于操作和维护风力涡轮的系统300的多个实施例的示意图和图形表示。如图4中特别示出的，示出可包括于控制器200内的合适构件的一个实施例的示意图。例如，如示出的，控制器200可包括一个或多个处理器206以及相关联的存储器装置208，其配置成执行多种计算机实施的功能(例如，执行方法、步骤、计算等，以及存储如本文中公开的相关数据)。另外，控制器200还可包括通信模块210，以便于控制器200、202与涡轮100的各种构件之间的通信。此外，通信模块210可包括传感器接口212(例如，一个或多个模数转换器)，以允许从一个或多个传感器156、158、160传输的信号转换成可由处理器206理解和处理的信号。应了解的是，传感器156、158、160可使用任何合适的手段来通信地联接到通信模块210。例如，如图4中示出的，传感器156、158、160经由有线连接来联接到传感器接口212。然而，在其它实施例中，传感器156、158、160可经由无线连接(诸如，通过使用本领域中已知的任何合适的无线通信协议)来联接到传感器接口212。另外，通信模块210还可以可操作地联接到配置成改变至少一个风力涡轮操作状态的操作状态控制模块214。
如本文中使用的，用语“处理器”不仅表示本领域中被认为包括于计算机中的集成电路，而且表示控制器、微型控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其它可编程电路。另外，存储器装置208大体上可包括存储器元件，其包括但不限于：计算机可读介质(例如，随机存取存储器(RAM))、计算机可读非易失性介质(例如，闪速存储器)、软盘、光盘只读存储器(CD ROM)、磁光盘(MOD)、数字多功能盘(DVD)和/或其它合适的存储器元件。此类存储器装置208大体上可配置成存储合适的计算机可读指令，该指令在由处理器206实施时使控制器200配置成执行各种功能，该功能包括但不限于：检测电流状况向电流从属限度接近并影响发电机118的速度，以便改变发电机118的转子定子平衡，使得不超过电流从属限度，且风力涡轮100可以以额定功率操作，如本文中描述的，以及各种其它合适的计算机实施的功能。
特别地参照图5，在实施例中，系统300的控制器200可配置成从至少一个源(诸如传感器158、160)接收多个数据输入302。多个数据输入302可表示风力涡轮100的构件的多个监测属性304。控制器200可在306处经由风险指数模块203使用多个监测属性304来确定关于该构件的综合风险指数308。风险指数308可限定与构件的标称行为的偏差。控制器200可在310处经由预测模块204预测相对于限定的多个构件周期314的潜在风险指数312的范围。潜在风险指数312的范围可与历史机组涡轮数据集相关且限定在上置信区间与下置信区间之间。每个潜在风险指数可与损坏潜势316相关。控制器200还可在318处基于损坏潜势316和寿命终止损坏阈值322确定剩余使用寿命分布320。此外，如果剩余使用寿命分布320低于停机阈值，控制器200可在324处使风力涡轮100停机或空转。
特别地参照图5和图7，在实施例中，多个数据输入302可包括来自传感器158、160的多个时间序列数据输入。时间序列数据输入302可包括指示操作中的构件的健康的数据。例如，传感器158、160可配置成检测操作中的构件的振动、速度和/或温度。在至少一个实施例中，可采用多个传感器158、160来检测构件的各种属性。在额外的实施例中，可采用减少数量的传感器158、160来检测大范围内的数据。然后可滤波或以其它方式处理该数据，以向控制器200提供突出构件的特定属性的数据。例如，来自传感器158、160的输出可滤波，使得数据输入302包括若干窄频带，其突出操作中的构件的特定属性。
如326处指示的，在至少一个实施例中，控制器200可配置成经由滤波模块205向下选择多个时间序列日期输入302，以建立风力涡轮100的构件的多个监测属性304。在实施例中，对于每个时间区间，多个数据输入302可包括超过50个数据输入。可将超过50个数据输入302向下选择为10个或更少(例如5个或更少)数据输入302。在实施例中，向下选择可基于历史数据，该历史数据指示特定的频率、温度，或其它传感器输出可指示该构件内发生损坏。在至少一个实施例中，向下选择可经由数据变换来选择不相关的数据输入302来完成。例如，变换器可包括主构件分析、独立构件分析或任何其它合适的变换。
在实施例中，控制器200可在325处将上常态界限328和下常态界限330应用于多个监测属性304中的每个。上常态界限328和下常态界限330可限定与健康构件的基线一致的数据输入302的范围。上常态界限328和下常态界限330可基于历史机组涡轮数据集。历史机组涡轮数据集可包括从与更换零件相关的鉴定数据与零件更换之前从传感器158、160记录的数据的相关性得出的数据。例如，历史机组涡轮数据集可指示对于健康的构件，关于指定频率的第一幅度的振动是正常的，而关于指定频率的第二幅度的振动指示构件的磨损或其它损坏。
在实施例中，控制器200可在332处检测至少一个监测属性304偏差由常态界限328、330限定的范围334。读取的监测属性304可在检测点336处越过常态界限328、330中的一个。
在此外的实施例中，控制器200可限定多个监测属性304中的每个的预测误差344。预测误差340可反映出相应监测属性304与相应常态界限328、330的偏差量。因此，控制器200可在338处对关于多个监测属性304中的每个属性的预测误差340进行平方并求和，以便计算关于该构件的综合风险指数308。风险指数308的非零值可指示在关于构件的常态界限328、330外的操作。类似地，风险指数308为零是构件在关于多个监测属性304的常态界限328、330内操作的指示。
在至少一个实施例中，系统300还可包括风险指数阈值342。风险指数阈值342可限定成使早期故障检测与错误警报的可能性平衡。此外，在实施例中，控制器200可配置成记录但滤波不超过风险指数阈值的任何综合风险指数。
特别地参照图5和图8，在实施例中，系统300的控制器200可在310处配置成预测相对于限定的多个构件周期314的潜在风险指数312的范围。因而，在344处，当超过风险指数阈值342时，组成多个历史风力涡轮数据集的对风力涡轮所记录的构件周期数对于多个风力涡轮346a-d为零。应了解的是，当风险指数越过风险指数阈值342时，将周期计数器设置成零可允许来自所有机组涡轮的系列数据的一致计时。
仍参照310，在实施例中，系统300可包括在346处在所限定的多个构件周期314内为多个风力涡轮346a-d中的每者从历史机组涡轮数据集选择历史风险指数数据集。在实施例中，可通过确定在所限定的多个构件周期314内具有非零风险指数的涡轮机组中的哪些保持操作来选择多个风力涡轮346a-d。在额外的实施例中，诸如涡轮类型、齿轮箱类型、维修日期等其它标准还可用于机组涡轮数据集。
仍参照310，在348处，控制器200可在所限定的多个构件周期314内计算平均机组风险指数350。如352处示出的，系统300的控制器200可确定关于多个风力涡轮346ad中的每个的历史风险指数数据集相对于平均机组风险指数350的协方差。
如310处还描绘的，在354处，控制器200可对关于构件的潜在风险指数312的范围建模，例如经由卡洛南-洛伊展开或其它合适的建模或采样方法。在此类实施例中，卡洛南-洛伊展开可表示如下：
Figure DEST_PATH_IMAGE001
其中RI对应于特定实现的风险指数，
Figure 398754DEST_PATH_IMAGE002
是平均机组风险指数350，λ和
Figure DEST_PATH_IMAGE003
是协方差矩阵的特征值和本征函数，且
Figure 519157DEST_PATH_IMAGE004
是不相关的随机变量。
在实施例中，可通过经由例如马尔可夫链蒙特卡洛采样来确定最佳拟合级数358来在356处计算不相关的随机变量。应了解的是，马尔可夫链蒙特卡洛是一种用于通过仿真来估计复杂模型中的统计期望的技术。控制器200还可在360处确定关于预测的置信带362，诸如95%置信水平。置信带362可限定在上置信区间364与下置信区间366之间。应了解的是，可使用所有采样和置信带来生成潜在风险指数312的预测范围，且潜在风险指数312的范围指示在额外周期通过构件操作所累积时综合风险指数308的预期级数。还应了解的是，随着预测周期数的增加，落入置信带内的潜在风险指数范围也将增加。
特别地参照图5和图9，在实施例中，系统300的控制器200在368处可配置成对历史机组涡轮故障数据集370执行回归。历史机组涡轮故障数据集370描绘由检查给定的损坏值372和在检查时关于该构件的所记录的风险指数308。该检查可在更换构件时完成。应了解的是，损坏值372可由操作者和/或控制器200使用人工智能来给定。
在实施例中，回归可在置信界限376(诸如95%置信界限)内产生回归线374。表示为等式的回归线374可提供损坏与风险指数的相关性。损坏与风险指数的相关性可在记录的或预测的风险指数下提供对构件的物理损坏的预期量的指示。因而，在378处，控制器200可经由损坏与风险指数相关性将潜在风险指数范围转换为损坏潜势316。
特别地参照图5和图10，在实施例中，系统300的控制器200可配置成在318处基于损坏潜势316和寿命终止损坏阈值322确定剩余使用寿命分布320。因而，控制器200可在380处配置成建立寿命终止损坏阈值322。在实施例中，寿命终止损坏阈值322可基于损坏水平，在该损坏水平处，构件的灾难性故障或对风力涡轮100的二次损坏的可能性超过可接受限度。应了解的是，可接受限度可由风力涡轮操作者确定，且可至少部分地取决于操作者的风险容限。例如，在实施例中，寿命终止损坏阈值322可设置在其中灾难性故障的可能性大于50%或大于80%的损坏水平。在还此外的实施例中，操作者可通过命令灾难性故障的可能性小于30%来以更频繁地更换构件为代价选择降低灾难性故障的风险。
如318处还描绘的，控制器200可在382处确定置信带362的上置信区间364与下置信区间366之间的马尔可夫链蒙特卡洛采样的每个样本达到寿命终止损坏阈值322所需要的预测周期数。控制器200可在384处组合在382处确定的预测周期数，以产生剩余使用寿命分布320。剩余使用寿命分布320因此可指示在给定数量的周期内达到寿命终止损坏阈值322的概率。例如，在实施例中，剩余使用寿命分布320可指示在10000个周期内达到寿命终止阈值322的概率小于5%。相同的剩余使用寿命分布320还可指示在14000至16000个构件周期内有50%的概率达到寿命终止阈值322。类似地，相同的剩余使用寿命分布320还可指示20000个构件周期内未超过寿命终止阈值322的概率可小于5%。应了解的是，剩余使用寿命分布320可集中在最佳拟合级数358周围。
在318处，可以以与预测的构件周期数的关系来表示剩余使用寿命分布320。然而，在实施例中，控制器200可在386处配置成预测相对于时间的剩余使用寿命分布320。因而，在实施例中，控制器200可基于为风力涡轮100设置的历史操作数据来确定构件周期对指定时间区间的插值，诸如比率。控制器200可使用该比率来转换剩余使用寿命分布320，以便表示在指定的时间区间内达到寿命终止阈值322的概率。控制器200可在388处生成输出表，该输出表指示在多个时间区间中的每个内的构件故障的概率。应了解的是，时间区间可为数周、数月、数年和/或任何其它合适的区间。
仍参照图5，在实施例中，系统300的控制器200可配置成在390处确定剩余使用寿命分布320是否低于停机阈值。在实施例中，控制器200可配置成在324处，如果剩余使用寿命分布320低于停机阈值，使风力涡轮100停机或空转。停机阈值可由操作者确定。低于停机阈值可指示该构件将可能比以其它方式将期望的更快地达到寿命终止损坏阈值322。例如，在实施例中，其中剩余使用寿命分布320指示在一个月内该构件达到使用寿命终止损坏阈值322的概率大于50%，控制器200可使风力涡轮100停机或空转。
仍参照图5，在实施例中，系统300可包括检查反馈回路392。检查反馈回路392可包括对构件执行检查，以及给定与构件的观察到的损坏程度对应的损坏等级。可向控制器200提供损坏等级。控制器200可确定损坏等级与基于风险指数的所预测的损坏等级之间的差异。控制器200可配置成在310处改进模型以用于相对于所限定的多个构件周期来预测潜在风险指数312的范围。改进可基于分级观察到的损坏程度与基于风险指数308的所预测的损坏潜势316之间所确定的差异。应了解的是，在至少一个实施例中，可通过控制器200使用人工智能系统来实现损坏的等级。
如图3、图5和图6中描绘的，系统300可配置为使得场控制器202在394处基于指定的时间区间内的每个风力涡轮100的剩余使用寿命分布320来对关于风力涡轮100中的每个的维护活动分组。在此类实施例中，场控制器202还可配置成在395处生成风场152的维护计划。可计算维护计划以最大限度地增加在场水平的维护操作期间执行的维护，同时最大限度地减少过早的维护操作。例如，维护计划可寻求最大限度地增加当地面起重机或维护团队在现场时执行的维护量，而不用过早替换构件。
在额外的实施例中，场控制器202可在396处将功率生成需求的至少一部分从风力涡轮100重新分配给风场152的至少一个其它的风力涡轮。在实施例中，重新分配功率生成负担的至少一部分可允许为风力涡轮生成空转命令。在实施例中，场控制器202可在398处将空转时段与风力涡轮100的有功功率产生的时段交替，以便减少每单位时间的构件周期数。应了解的是，减少每单位时间的构件周期数可延迟向停机阈值的接近。延迟向停机阈值的接近继而可便于对关于风力涡轮中的每个的修理活动分组。
此外，技术人员将认识到来自不同实施例的各种特征的可互换性。类似地，所描述的各种方法步骤和特征以及用于每种此类方法和特征的其它已知等同物可由该领域普通技术人员混合和匹配，以根据该公开内容的原理来构造额外的系统和技术。当然，要理解的是，上文描述的此类目标或优点不必全都可根据任何特定的实施例来实现。因此，例如，本领域技术人员将认识到，本文中描述的系统和技术可以以实现或优化如本文中教导的一个优点或一组优点的方式来体现或执行，而不必实现如本文中可教导或建议的其它目标或优点。
该书面描述使用示例来公开本发明(包括最佳模式)，且还使本领域的任何技术人员能够实施本发明，包括制作和使用任何装置或系统以及执行任何结合的方法。本发明的可申请专利的范围由权利要求书限定，且可包括本领域技术人员想到的其它示例。如果此类其它示例包括不异于权利要求书的字面语言的结构元件，或如果它们包括带有与权利要求书的字面语言非实质性差异的等同结构元件，此类其它示例意在处于权利要求书的范围内。
本发明的此外的方面由以下条款的主题提供：
条款1. 一种用于操作风力涡轮的方法，该方法包括：利用控制器从至少一个源接收多个数据输入，该多个数据输入表示风力涡轮的构件的多个监测属性；利用控制器使用多个监测属性来确定关于该构件的综合风险指数，该风险指数限定与该构件的标称行为的偏差；利用控制器预测在所限定的多个构件周期内的从综合风险指数发展的潜在风险指数范围，其中每个潜在风险指数与损坏潜势相关；利用控制器基于损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布；以及如果剩余使用寿命分布低于停机阈值，使风力涡轮停机或空转。
条款2. 任何前述条款的方法，其中接收多个数据输入还包括利用控制器从至少一个传感器接收多个时间序列数据输入，该至少一个传感器配置成在操作期间监测构件。
条款3. 任何前述条款的方法，其中确定关于该构件的综合风险指数还包括：利用控制器向下选择多个时间序列数据输入以建立多个监测属性；利用控制器将上常态界限和下常态界限应用于多个监测属性中的每个，上常态界限和下常态界限限定与健康构件的基线一致的数据输入范围，上常态界限和下常态界限基于历史机组涡轮数据集；利用控制器检测所监测属性中的至少一个与由常态界限所限定的范围的偏差；利用控制器限定关于多个监测属性中的每个的预测误差，其中该预测误差反映相应监测属性与相应常态界限的偏差量；利用控制器对关于多个监测属性中的每个的预测误差进行平方；以及利用控制器对关于多个监测属性中的每个的平方预测误差求和，以便计算关于该构件的综合风险指数，其中非零值指示在关于该构件的常态界限外的操作。
条款4. 任何前述条款的方法，还包括：限定风险指数阈值，其中限定风险指数阈值使早期故障检测与错误警报的可能性平衡；以及在预测潜在风险指数范围之前，检测该风险指数阈值由关于该构件的综合风险指数所越过。
条款5. 任何前述条款的方法，其中预测潜在风险指数范围还包括：在所限定的多个构件周期内为多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集；利用控制器确定在所限定的多个构件周期内的平均机组风险指数；利用控制器确定关于多个风力涡轮中的每个的历史风险指数数据集相对于平均机组风险指数的协方差；利用控制器对关于该构件的潜在风险指数范围建模；利用控制器确定关于该构件的最佳拟合风险指数级数；以及利用控制器确定关于潜在风险指数范围的置信带。
条款6. 任何前述条款的方法，其中当关于多个风力涡轮中的每个的风险指数越过预定阈值时，将所限定的多个构件周期设置成零。
条款7. 任何前述条款的方法，还包括：利用控制器经由损坏与风险指数的相关性将潜在风险指数范围转换为损坏潜势，其中损坏与风险指数的相关性通过对历史机组涡轮故障数据集执行回归来确定，其中历史机组涡轮故障数据集描绘由检查给定的损坏值以及在检查时关于该构件的所记录的风险指数。
条款8. 任何前述条款的方法，其中确定剩余使用寿命分布还包括：基于其中构件的故障或对风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立寿命终止损坏阈值；利用控制器确定对达到关于采样的每个样本的寿命终止损坏阈值所需要的预测周期数；以及利用控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。
条款9. 任何前述条款的方法，还包括：利用控制器基于关于风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值；以及利用控制器经由比率来预测剩余使用寿命相对于时间的分布。
条款10. 条款9的方法，还包括利用控制器生成输出表，该输出表指示在多个时间区间中的每个内的构件故障的概率。
条款11. 任何前述条款的方法，还包括执行构件的检查；给定与构件的观察到的损坏程度对应的损坏等级；向控制器提供损坏等级；利用控制器确定损坏等级与基于风险指数的所预测的损坏水平之间的差异；以及利用控制器改进用于预测相对于所限定的多个构件周期的潜在风险指数范围的模型，其中该改进基于分级的观察到的损坏程度与基于风险指数的所预测的损坏潜势之间所确定的差异。
条款12. 任何前述条款的方法，其中控制器是场控制器，且该风力涡轮是风场的多个风力涡轮中的一个。
条款13. 任何前述条款的方法，还包括利用场控制器基于在指定的时间区间内的关于多个风力涡轮中的每个的剩余使用寿命分布来对关于风力涡轮中的每个的维护活动分组；以及利用场控制器生成关于风场的维护计划。
条款14. 任何前述条款的方法，还包括利用场控制器将功率生成需求的至少一部分从风力涡轮重新分配给风场的至少一个其它的风力涡轮；以及使关于风力涡轮的空转时段与有功功率生成时段交替，以便减少每单位时间的构件周期数，其中减少每单位时间的构件周期数延迟向停机阈值的接近，以便于对关于风力涡轮中的每个的修理活动分组。
条款15. 一种用于操作风力涡轮的系统，包括：至少一个传感器，该至少一个传感器可操作地联接到风力涡轮的构件以便检测该构件的属性；以及控制器，该控制器通信地联接到至少一个传感器，该控制器包括至少一个处理器，该至少一个处理器配置成执行多个操作，该多个操作包括：从至少一个传感器接收多个数据输入，该多个数据输入表示构件的多个监测属性；经由风险指数模块使用多个监测属性来确定关于该构件的综合风险指数，该风险指数限定与该构件的标称行为的偏差；经由预测模块预测在所限定的多个构件周期内的从综合风险指数发展的潜在风险指数范围，其中每个潜在风险指数与损坏潜势相关；基于损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布；以及如果剩余使用寿命分布低于停机阈值，使风力涡轮停机或空转。
条款16. 任何前述条款的系统，其中经由风险指数模块确定关于该构件的综合风险指数还包括：经由滤波模块向下选择多个时间序列数据输入以建立多个监测属性；经由滤波模块将上常态界限和下常态界限应用于多个监测属性中的每个，上常态界限和下常态界限限定与健康构件的基线一致的数据输入范围，上常态界限和下常态界限基于历史机组涡轮数据集；经由风险指数模块检测所监测属性中的至少一个与由常态界限所限定的范围的偏差；经由风险指数模块限定关于多个监测属性中的每个的预测误差，其中该预测误差反映相应监测属性与相应常态界限的偏差量；经由风险指数模块对关于多个监测属性中的每个的预测误差进行平方；以及经由风险指数模块对关于多个监测属性中的每个的平方预测误差求和，以便计算关于该构件的综合风险指数，其中非零值指示在关于该构件的常态界限外的操作。
条款17. 任何前述条款的系统，其中经由预测模块预测潜在风险指数范围还包括：在所限定的多个构件周期内为多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集，其中当关于多个风力涡轮中的每个的风险指数越过预定阈值时，将所限定的多个构件周期设置成零；确定在所限定的多个构件周期内的平均机组风险指数；确定关于多个风力涡轮中的每个的历史风险指数数据集相对于平均机组风险指数的协方差；对关于该构件的潜在风险指数范围建模；确定关于该构件的最佳拟合风险指数级数；以及确定关于潜在风险指数范围的置信带。
条款18. 任何前述条款的系统，其中多个操作还包括经由损坏与风险指数的相关性将潜在风险指数范围转换为损坏潜势，其中损坏与风险指数的相关性通过对历史机组涡轮故障数据集执行回归来确定，其中历史机组涡轮故障数据集描绘由检查给定的损坏值以及在检查时关于该构件的所记录的风险指数。
条款19. 任何前述条款的系统，其中确定剩余使用寿命分布还包括：基于其中构件的故障或对风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立寿命终止损坏阈值；确定对达到关于采样的每个样本的寿命终止损坏阈值所需要的预测周期数；以及利用控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。
条款20. 任何前述条款的系统，其中多个操作还包括：基于关于风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值；经由比率来预测剩余使用寿命相对于时间的分布；以及生成输出表，该输出表指示在多个时间区间中的每个内的构件故障的概率。

Claims (10)

1.一种用于操作风力涡轮的方法，所述方法包括：
利用控制器从至少一个源接收多个数据输入，所述多个数据输入表示所述风力涡轮的构件的多个监测属性；
利用所述控制器使用所述多个监测属性来确定关于所述构件的综合风险指数，所述风险指数限定与所述构件的标称行为的偏差；
利用所述控制器预测在所限定的多个构件周期内的从所述综合风险指数发展的潜在风险指数范围，其中每个潜在风险指数与损坏潜势相关；
利用所述控制器基于所述损坏潜势和寿命终止损坏阈值来确定剩余使用寿命分布；以及
如果所述剩余使用寿命分布低于停机阈值，使所述风力涡轮停机或空转。
2.根据权利要求1所述的方法，其特征在于，接收所述多个数据输入还包括：
利用所述控制器从至少一个传感器接收多个时间序列数据输入，所述至少一个传感器配置成在操作期间监测所述构件。
3.根据权利要求2所述的方法，其特征在于，确定关于所述构件的综合风险指数还包括：
利用所述控制器向下选择所述多个时间序列数据输入以建立所述多个监测属性；
利用所述控制器将上常态界限和下常态界限应用于所述多个监测属性中的每个，所述上常态界限和所述下常态界限限定与健康构件的基线一致的数据输入范围，所述上常态界限和所述下常态界限基于历史机组涡轮数据集；
利用所述控制器检测所述监测属性中的至少一个与由所述常态界限所限定的范围的偏差；
利用所述控制器限定关于所述多个监测属性中的每个的预测误差，其中所述预测误差反映相应监测属性与相应常态界限的偏差量；
利用所述控制器对关于所述多个监测属性中的每个的预测误差进行平方；以及
利用所述控制器对关于所述多个监测属性中的每个的平方预测误差求和，以便计算关于所述构件的综合风险指数，其中非零值指示在关于所述构件的常态界限外的操作。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
限定风险指数阈值，其中限定所述风险指数阈值使早期故障检测与错误警报的可能性平衡；以及
在预测所述潜在风险指数范围之前，检测所述风险指数阈值由关于所述构件的综合风险指数所越过。
5.根据权利要求1所述的方法，其特征在于，预测所述潜在风险指数范围还包括：
在所限定的多个构件周期内为多个风力涡轮中的每者从历史机组涡轮数据集选择历史风险指数数据集；
利用所述控制器确定在所述限定的多个构件周期内的平均机组风险指数；
利用所述控制器确定关于所述多个风力涡轮中的每个的历史风险指数数据集相对于所述平均机组风险指数的协方差；
利用所述控制器对关于所述构件的潜在风险指数范围建模；
利用所述控制器确定关于所述构件的最佳拟合风险指数级数；以及
利用所述控制器确定关于所述潜在风险指数范围的置信带。
6.根据权利要求5所述的方法，其特征在于，当关于所述多个风力涡轮中的每个的风险指数越过预定阈值时，将所述限定的多个构件周期设置成零。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述控制器经由损坏与风险指数的相关性将所述潜在风险指数范围转换为所述损坏潜势，其中所述损坏与风险指数的相关性通过对历史机组涡轮故障数据集执行回归来确定，其中所述历史机组涡轮故障数据集描绘由检查给定的损坏值以及在检查时关于所述构件的所记录的风险指数。
8.根据权利要求1所述的方法，其特征在于，确定所述剩余使用寿命分布还包括：
基于其中所述构件的故障或对所述风力涡轮的二次损坏的可能性超过可接受限度的损坏水平来建立所述寿命终止损坏阈值；
利用所述控制器确定对达到关于采样的每个样本的所述寿命终止损坏阈值所需要的预测周期数；以及
利用所述控制器组合关于每个样本的所确定的预测周期数，以便产生在上置信区间与下置信区间之间的剩余使用寿命分布。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述控制器基于关于所述风力涡轮的历史操作数据集来确定构件周期对指定时间区间的插值；以及
利用所述控制器经由比率来预测所述剩余使用寿命相对于时间的分布。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
利用所述控制器生成输出表，所述输出表指示在多个时间区间中的每个内的构件故障的概率。
CN202110088622.4A 2020-01-23 2021-01-22 用于操作风力涡轮的系统和方法 Pending CN113153635A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/750190 2020-01-23
US16/750,190 US11340570B2 (en) 2020-01-23 2020-01-23 System and method for operating a wind turbine

Publications (1)

Publication Number Publication Date
CN113153635A true CN113153635A (zh) 2021-07-23

Family

ID=74215725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110088622.4A Pending CN113153635A (zh) 2020-01-23 2021-01-22 用于操作风力涡轮的系统和方法

Country Status (3)

Country Link
US (1) US11340570B2 (zh)
EP (1) EP3855019A1 (zh)
CN (1) CN113153635A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11242842B2 (en) * 2016-05-23 2022-02-08 General Electric Company System and method for forecasting power output of a wind farm
EP3859147A1 (en) * 2020-02-03 2021-08-04 Ventus Engineering GmbH Wake monitoring, wake management and sensory arrangements to such
US11952149B2 (en) * 2020-09-17 2024-04-09 General Electric Company System and method of forecasting aircraft engine operational data for predictive analytics

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4058289B2 (ja) * 2002-04-09 2008-03-05 株式会社東芝 プラント機器の寿命診断・保守管理方法および装置
US7322794B2 (en) 2003-02-03 2008-01-29 General Electric Company Method and apparatus for condition-based monitoring of wind turbine components
AU2007272296B2 (en) * 2006-07-12 2013-02-14 The University Of Queensland A method of predicting breakage properties of a particulate material when subjected to impact
GB0807775D0 (en) * 2008-04-29 2008-06-04 Romax Technology Ltd Methods for model-based diagnosis of gearbox
DE102009004385B4 (de) 2009-01-12 2010-11-25 Repower Systems Ag Verfahren und Anordnung zum Überwachen einer Windenergieanlage
US7945397B2 (en) 2009-04-02 2011-05-17 Honeywell International Inc. System and method for gearbox health monitoring
US7895016B2 (en) 2009-08-31 2011-02-22 General Electric Company System and method for wind turbine health management
US8924162B2 (en) 2010-05-13 2014-12-30 University Of Cincinnati Turbine-to-turbine prognostics technique for wind farms
US20120053983A1 (en) 2011-08-03 2012-03-01 Sameer Vittal Risk management system for use with service agreements
JP5567044B2 (ja) * 2012-02-21 2014-08-06 三菱重工業株式会社 ウインドファームの運転方法及びウインドファームの運転制御システム
US9245116B2 (en) * 2013-03-21 2016-01-26 General Electric Company Systems and methods for remote monitoring, security, diagnostics, and prognostics
CN103645052B (zh) 2013-12-11 2016-03-30 北京航空航天大学 一种风电机组齿轮箱远程在线状态监测及寿命评估方法
EP3180512A1 (en) 2014-08-15 2017-06-21 Vestas Wind Systems A/S Turbine over-rating using turbulence prediction
CN105354587B (zh) 2015-09-25 2017-09-05 国网甘肃省电力公司电力科学研究院 一种风力发电机组齿轮箱的故障诊断方法
CN106096170B (zh) 2016-06-21 2019-05-17 山西大学 基于数据驱动的风电机组多变量故障预测方法
US10061677B2 (en) 2016-11-16 2018-08-28 Anodot Ltd. Fast automated detection of seasonal patterns in time series data without prior knowledge of seasonal periodicity
CN107229269A (zh) 2017-05-26 2017-10-03 重庆工商大学 一种深度信念网络的风力发电机齿轮箱故障诊断方法
CN107560844A (zh) 2017-07-25 2018-01-09 广东工业大学 一种风电机组齿轮箱的故障诊断方法及系统

Also Published As

Publication number Publication date
US11340570B2 (en) 2022-05-24
EP3855019A1 (en) 2021-07-28
US20210232109A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
US10600036B2 (en) Wind power plant management system and method thereof
Uluyol et al. Power curve analytic for wind turbine performance monitoring and prognostics
EP3855019A1 (en) System and method for operating a wind turbine
Márquez et al. Condition monitoring of wind turbines: Techniques and methods
Wang et al. SCADA data based condition monitoring of wind turbines
US7895018B2 (en) Event monitoring via combination of signals
Hameed et al. Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
KR20160073945A (ko) 풍력플랜트 관리 시스템 및 그 방법
EP3638900A1 (en) Independent monitoring system for a wind turbine
US20110020122A1 (en) Integrated condition based maintenance system for wind turbines
WO2011024304A1 (ja) 風車の監視装置及び方法並びにプログラム
JP6783110B2 (ja) 予兆診断装置及びそれを有する発電装置制御システム
US11649804B2 (en) Systems and methods for controlling a wind turbine
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
US9188021B2 (en) Steam turbine blade vibration monitor backpressure limiting system and method
Sharma et al. Condition monitoring of wind turbines: a review
KR102226971B1 (ko) 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치
WO2016042652A1 (ja) 風力発電設備および風力発電設備の損傷度診断装置
Entezami et al. Wind turbine condition monitoring system
CN115111115A (zh) 用于操作发电资产的系统和方法
Zappalá Advanced algorithms for automatic wind turbine condition monitoring
KR102456262B1 (ko) 진동기반 풍력터빈 하중 및 수명 예측방법 및 시스템
CN117980713A (zh) 用于控制资产系列的工业资产的系统和方法
Wisznia Condition Monitoring of Offshore Wind Turbines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20240109

Address after: Barcelona, Spain

Applicant after: Ge renewable energy Spain Ltd.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right